数字人平台销售页上的样片都很顺眼，真拿自己的稿子和照片跑一遍，口型对不上、断句怪、成片一股塑料味，才发现当初没看这几项。这篇不讲哪家好，只给一套可以带进试用环节的判断标准：口型、声音、成片质量分别看什么、怎么测、什么条件下这套标准不适用。
数字人平台的销售页样片都很顺眼，真拿自己的稿子和照片跑一遍，问题就出来了：口型对不上、断句怪、成片一股塑料味。这篇不讲哪家好，只给一套能带进试用环节的判断标准，口型、声音、成片质量分别看什么、怎么测、什么条件下这套标准不适用，让选型从看宣传片变成打分。
先说清楚：下面这套标准是给「要做数字人口播」的团队用的，包括讲师课程、产品讲解、企业介绍、知识类短视频这类以人说话为主的内容。如果只是要个形象做片头吉祥物、或者在画面角落当虚拟主播陪衬，侧重点完全不同，别硬套。
先定场景，再谈平台好坏
选型最容易犯的错是先逛平台再看需求，结果被样片带偏。正确顺序反过来：先把自己的硬约束写下来，拿约束去削候选名单，再对剩下的做实测。约束不写清楚，横向对比就没基准，各家销售说的「行业领先」你也无法验证。
| 场景类型 | 对平台的关键要求 | 可以先排除的 |
|---|---|---|
| 固定机位口播 | 口型对齐、断句自然、成片接缝干净 | 主打走动换景但口播精度一般的 |
| 走动或多机位展示 | 动作自然度、场景切换、运镜配合 | 只有纯口播能力的 |
| 多语种内容 | 语种覆盖、口型是否按语种重算 | 只支持单一语种的 |
| 高频批量出片 | 计费口径、批量生成、模板复用 | 按条数人工排队的 |
还有一种情况要单独拎出来：如果团队本身没有剪辑、没有写稿的人，只想把现成文字丢进去出片，那平台的内容辅助能力（自动断句、字幕、模板）权重就得往上提，光比口型精度没意义。这套标准的适用前提是：你们有能判断成片好坏的人。
口型：先看对齐，再看细节
口型是数字人视频最容易露馅的地方，也是最容易在试用阶段测出来的。测口型不要念顺口溜，要念真正会出问题的内容。带数字、英文缩写、连续长句的稿子最容易暴露节奏错位，因为这类内容在音素切换和语速变化上更密集。
不适用情形要写清楚：如果只做远景加字幕、观众注意力主要在画面信息或文字上的内容，口型的权重可以往下调。反过来说，做讲师课程、产品细节讲解这类需要看脸的内容，口型就是第一优先级，别为了省事妥协。
声音：自然度不在音色库多，在断句和情绪
很多团队选平台时先翻音色库，音色多当然好，但真正的差距在断句和情绪。一个音色再多的平台，如果逗号句号处停得机械、陈述句末尾翘成疑问，成片听起来就是播报腔，观众三秒就划走。听声音别只听第一句，要听一段一分钟以上的连续内容。
声音克隆要单独验，这是很多团队踩坑的地方。拿一段没喂过的全新文本让克隆音色去读，确认不是只对训练稿有效。克隆授权范围、能不能商用、版权归属，到 AI 音频工具目录（/ai-nav/category/ai-audio） 里找同类工具挨个对照条款，别只听销售口头说。
不适用情形：如果声音只是配角，画面为主、人声只是旁白衬底，对音色精细度的要求可以放宽，这时候口型和画面质量的权重更高。多语种场景下还要额外听一遍非母语的发音，小语种的合成质量普遍比主流语种差一截。
成片质量：看合成痕迹和交付规格
成片质量分两半看：一半是合成痕迹，一半是交付规格。前者决定观众会不会觉得假，后者决定这条片子能不能进你的工作流。两块都要在试用阶段当场验，不能等签了合同才发现导出带水印。
| 检查项 | 怎么看 | 合格的样子 |
|---|---|---|
| 人物与背景接缝 | 看边缘有没有毛刺、有没有一圈光晕 | 边缘干净，和背景融合自然 |
| 口型与音频同步 | 盯一句话的开头和结尾 | 开头不延迟，结尾不提前闭嘴 |
| 眨眼与头部微动 | 看一分钟以上连续片段 | 频率自然，不是机械定时 |
| 导出规格 | 当场导出一条，用播放器看属性 | 无强制水印，格式能直接进剪辑软件 |
导出规格这条最容易被忽略。团队如果还要二次剪辑、加字幕、调色，就得问清导出格式能不能直接进剪辑软件，避免转码再糊一遍。同类工具的能力边界，可以到 AI 数字人工具目录（/ai-nav/category/ai-digital-human） 里挨个对照，看各家支持的分辨率、帧率和导出格式，具体规格以目录里标注的为准。
一份能落地的试用脚本
试用不应该是随便跑一段，而应该是一份固定脚本，每个候选平台跑同一份。这样结论才能横向比。脚本分两段稿，一段是业务真实稿，一段是故意刁难的稿，各跑一遍，跑完记分。
- 准备业务稿用你们真实会发布的内容，含专有名词、数字、品牌名，长度接近日常单条视频的平均时长。跑完记下哪些词读错了。
- 准备刁难稿长句不加标点、多音字、英文缩写混排、数字密集，专门用来暴露口型节奏和断句问题。跑完记下哪句拖拍、哪句断错。
- 双人打分打分表四项：口型对齐、声音自然、接缝痕迹、交付规格，每项 1-5 分。让两个不同的人各打一次取平均，一个人容易带主观偏好。
- 记录失败点别只记得分，记下具体是哪个字读错、哪句拖拍、哪个接缝有问题。这些失败点才是长期使用的真实成本，得分只能排序。
- 按分数排序再谈价先按四项分数排出候选顺序，再拿费用口径去核，别反过来先看便宜。
这套脚本的局限也要说清楚：它测的是单条成片质量，测不出平台的稳定性和批量出片能力。如果你们的出片频率高，还得额外测连续生成时的失败率和排队情况，那就需要把试用周期拉长到几天。
额度、计费与迁移成本
成片质量过关后，最后一道筛子是钱和退路。计费口径必须先弄清：按分钟、按字数还是按套餐，不同口径下同一批稿子的花费差很远。别信销售报的单价，拿你自己的稿子长度换算一遍。具体报价口径到 套餐与计费页（/plans） 和 官方 API 价格页（/official-api） 看当时的数字。
迁移成本是最容易被低估的一项。团队用了半年积累了一批人物资产和克隆音色，如果这些数据导不出来，换平台等于从零开始。选型时就要问：如果不合作了，我的资产怎么带走。接受不了的这个答案，就别选那家。
这套标准也有明确不适用的地方：如果你们的视频只是内部培训、观众就是自己人，好看不好看无所谓，那只比价格和出片速度就行，口型精度不用这么较真。如果内容主打创意和反差、数字人只是其中一个元素，选型的重心也不在这儿。
数字人平台选型的核心动作只有一个：拿自己的稿子跑一遍，对着成片打分，而不是看谁家样片顺眼。下一步把候选平台列出来，先到工具目录按口播场景筛一轮，再拿本文的两段稿子逐个试。数字人分类下已经整理好各家的能力边界，价格口径到计费页核对当时的数字，别拿旧印象做决定。→
常见问题
宣传片里口型很准，自己跑就不行，是平台问题吗？
先排查输入：稿子节奏、录音质量、人物正面光照都会影响对齐。用同一段录音在两家平台各跑一遍再下结论，单次效果差不等于平台不行，但多次都差就是能力边界问题。
声音克隆和普通 TTS 该怎么选？
要品牌统一音色、长期大量出片，克隆更省事但授权条款要逐条看；偶尔出片、音色要求不高，选现成音色库足够，还省掉克隆审核和授权环节。
免费额度够做正式内容吗？
试水够，正式交付通常不够，而且免费档常在分辨率、时长、水印上有限制。真正要判断的是超额后的计费口径，具体金额到站内价格页看当时的数字。
人物形象用真人照片还是平台自带模特？
自带模特省事但撞脸风险高，做品牌号容易和同行用同一张脸；真人照片要确认肖像授权和使用范围，尤其是商业投放场景。
这套标准什么时候不适用？
纯工具演示、内部培训这类对成片精致度要求低的场景，口型和接缝都可以放宽，优先看稳定出片速度和批量能力。
